图卷积表示（Graph Convolutional Representation, GCR）在图数据表示方面已经取得了令人印象深刻的效果。然而，现有的 GCR 通常定义在固定的输入图上，这可能会限制其表示能力，并且对结构攻击和噪声较为敏感。为了解决这一问题，我们提出了一种新的潜在图卷积表示（Latent Graph Convolutional Representation, LatGCR），以实现稳健的图数据表示和学习。我们的 LatGCR 是基于从图邻域重构的角度重新定义图卷积表示而得出的。给定一个输入图 (\textbf{A})，LatGCR 旨在生成一个灵活的潜在图 (\widetilde{\textbf{A}})，用于图卷积表示，这不仅显著增强了表示能力，而且在面对图结构攻击和噪声时表现出更强的鲁棒性。此外，LatGCR 以自监督的方式实现，因此可以作为有监督和无监督图学习任务的基本模块。多个数据集上的实验结果证明了 LatGCR 的有效性和鲁棒性。